- فهم اللغة الطبيعية (NLU) هو أحد جوانب الذكاء الاصطناعي الذي يساعد أجهزة الكمبيوتر على فهم ما يعنيه الأشخاص حقًا عندما يتحدثون أو يكتبون، ومعرفة نواياهم والتفاصيل المهمة.
- يعمل عن طريق تحليل الجمل، وتحديد الكلمات أو الأسماء الرئيسية، وربط الكلمات بأدوارها في الجملة لفهم السياق.
- تُستخدم تقنية NLU في العديد من الأدوات التي نستخدمها يومياً، مثل المساعدين الصوتيين (سيري وأليكسا)، وروبوتات الدردشة لخدمة العملاء، وفرز البريد الإلكتروني، وتحليل التعليقات لاكتشاف الاتجاهات أو المشاعر في النص.
- تشمل التقنيات الرئيسية في وحدة معالجة اللغات الطبيعية الترميز (تقسيم الجمل إلى كلمات)، ووضع علامات على أجزاء الكلام، واكتشاف الأسماء أو التواريخ، ومعرفة ما يريده المستخدم، واستخدام سياق المحادثة السابقة للحصول على ردود أفضل.
قد يبدو NLU مجرد اختصار آخر في منظومة الذكاء الاصطناعي، ولكنه جزء لا يتجزأ من جعل الذكاء الاصطناعي يفهم ما نعنيه حقاً.
كيف يعرف Siri عندما تسأل عن الاتجاهات مقابل تشغيل أغنية؟
كيف يعرف وكيل الذكاء الاصطناعي الفرق بين السؤال عن المنتج وطلب الدعم؟
دعنا نفصّل كيفية عمل وحدة معالجة اللغات الطبيعية وسبب ضرورتها لتفاعلات الذكاء الاصطناعي الأكثر ذكاءً.
ما هي وحدة اللغة الإنجليزية غير المتداخلة؟
إن فهم اللغة الطبيعية (NLU) هو مجموعة فرعية من معالجة اللغة الطبيعية (NLP) التي تمكّن الآلات من تفسير اللغة البشرية وفهمها.
تُستخدم تقنية NLU في روبوتات الدردشة الآلية والمساعدين الافتراضيين وأدوات تحليل المشاعر. وهي تسمح للآلات بتفسير نوايا المستخدم بدقة - سواء كانت نصية أو صوتية - حتى تتمكن من متابعة الإجراء المناسب.
تُعتبر NLU من المشاكل الصعبة للذكاء الاصطناعي (تُعرف أيضًا باسم مشكلة الذكاء الاصطناعي)، مما يعني أنها تتطلب ذكاءً اصطناعيًا من أجل حلها. يستحيل حل NLU بدون ذكاء اصطناعي (AI).
كيف تعمل NLU؟
.webp)
تقوم NLU بتفكيك اللغة البشرية لتفسير معناها ومقصدها. إليك كيفية عملها خطوة بخطوة:
1. المعالجة المسبقة للنص
قبل البدء في التحليل، يتم تنظيف النص عن طريق إزالة العناصر غير الضرورية مثل علامات الترقيم والكلمات المتقطعة للتركيز على المحتوى ذي المعنى.
2. تحديد المكونات الرئيسية
يستخرج النظام الكيانات والكلمات المفتاحية والعبارات، ويحدد الأجزاء الأكثر صلة من النص لمزيد من التحليل.
3. تحليل بنية الجملة
من خلال فحص العلاقات بين الكلمات وقواعد اللغة، تحدد وحدة معالجة اللغات الطبيعية كيفية تفاعل الكلمات والمفاهيم المختلفة داخل الجملة.
4. التخطيط للمقاصد والأهداف
تتم مطابقة المكونات المستخرجة مع المقاصد أو الأهداف المحددة مسبقًا، مما يساعد النظام على فهم غرض المستخدم.
5. تحسين الفهم مع السياق
تساعد التفاعلات السابقة والقرائن السياقية على تحسين الدقة، مما يسمح لنظام وحدة التخاطب اللغوي غير المتصلة بتعديل الردود بناءً على سجل المحادثة.
6. توليد مخرجات منظمة
وأخيراً، ينتج النظام استجابة منظمة يمكن أن تؤدي إلى اتخاذ إجراءات أو تنفيذ الأوامر أو تقديم المعلومات ذات الصلة.
مثال من العالم الحقيقي
دعونا نوضح ذلك بمثال.
يستخدم باتريك وكيل ذكاء اصطناعي في العمل يتكامل مع جميع تطبيقاته الرئيسية، بما في ذلك التقويم الخاص به.
يكتب باتريك لوكيل الذكاء الاصطناعي الخاص به: "حدد موعدًا للقاء مع Anqi في الساعة الواحدة ظهرًا غدًا، أو في وقت مشابه. حدد موعدًا للمتابعة لمدة أسبوعين بعد ذلك."
في سياق سير عمل الذكاء الاصطناعي الوكيل، سيقوم وكيله بما يلي:
- تحديد النية: يحدد العميل أن باتريك يريد تحديد موعد اجتماع
- استخراج الكيانات الرئيسية: يحدد الوكيل أن باتريك يتحدث عن "أنقي" جهة الاتصال، و"1 مساءً" الوقت، و"غدًا" التاريخ.
- تحليل المنطوق: يحدد الوكيل أن عنصر الإجراء هو "الجدولة"، وينبغي أن يتم ذلك مع Anqi، ويجب أن يكون الوقت واليوم هو الساعة الواحدة ظهرًا غدًا.
- الفهم السياقي: يتحقق الوكيل من تقويمي باتريك وآنكي للتأكد من توفرهما. إذا لم تكن الساعة الواحدة ظهراً غداً غير متاحة، فسيقترح وقتاً مماثلاً، كما هو مطلوب.
- الإجراء النهائي: يقوم الوكيل بجدولة الاجتماع والمتابعة عن طريق إرسال دعوات التقويم إلى باتريك وأنكي.
الاستخدامات الواقعية لوحدة الاستعمالات غير المباشرة
من المحتمل أن تصادف في حياتك اليومية استخدامات لوحدات التخزين غير القابلة للتشغيل (NLU)، وغالباً ما يكون ذلك دون أن تدرك ذلك. فيما يلي بعض التطبيقات الأكثر شيوعًا في العالم الحقيقي:
توليد العملاء المحتملين
تُعدّ روبوتات الدردشة الآلية للذكاء الاصطناعي مكوناً رئيسياً في توليد العملاء المحتملين بالذكاء الاصطناعي، وهو شكل من أشكال تأهيل العملاء المحتملين عبر الذكاء الاصطناعي التخاطبي. باستخدام فهم اللغة الطبيعية، يمكن لروبوتات الدردشة الآلية تحديد احتياجات وقدرات العملاء المحتملين القادمين. ويمكنها حتى حجز اجتماعات التقويم مع مندوبي المبيعات مباشرةً بعد تأهيل العميل المحتمل.
المساعدون الصوتيون
تعتمد المساعدات الصوتية مثل Siri وAlexa وGoogle Assistant على وحدة تخاطب اللغة الطبيعية لفهم القصد من وراء الأوامر المنطوقة.
على سبيل المثال، عندما تقول: "حدد موعدًا للتذكير بموعد طلاء الأظافر في الساعة 2 ظهرًا"، يقوم المساعد بتفكيك جملتك وتحديد القصد (تحديد تذكير) واستخراج الكيانات (موعد طلاء الأظافر، غدًا، 2 ظهرًا).
وتتيح وحدة التخاطب الوطني لهؤلاء المساعدين فهم الطلبات الشفهية ومتابعتها بالإجراء الصحيح.
روبوتات الدردشة الآلية لخدمة العملاء
عندما تتفاعل مع خدمة دعم العملاء chatbot وتكتب "أين طردي؟"، يستخدم الروبوت وحدة معالجة اللغات الطبيعية لتحديد أن نيتك هي التحقق من حالة التسليم.
فهو يستخرج الكيان الضروري - معلومات طلبك - ويوفر التحديث الصحيح. هذه القدرة على فهم استفسارات العملاء المختلفة والرد عليها هي ما يجعل وحدة خدمة العملاء الوطنية جزءًا أساسيًا من أتمتة خدمة العملاء الحديثة.
فرز البريد الإلكتروني والأتمتة
كما توجد وحدة معالجة اللغات الطبيعية أيضًا وراء أنظمة أتمتة البريد الإلكتروني. على سبيل المثال، يمكن للأدوات التي تعمل بتقنية NLU قراءة رسائل البريد الإلكتروني الواردة، وفهم المحتوى، وتصنيفها تلقائيًا إلى فئات مثل "عاجل" أو "عروض ترويجية" أو "اجتماعات".
كما يمكن لهذه الأنظمة توليد الردود المناسبة بناءً على محتوى البريد الإلكتروني، مما يوفر وقت الشركات في إدارة الاتصالات.
التحليلات النصية للملاحظات والاستطلاعات
وغالباً ما تستخدم الشركات وحدة تحليل الملاحظات الواردة من الاستطلاعات والمراجعات ومنشورات وسائل التواصل الاجتماعي.
تساعد وحدة معالجة اللغات الطبيعية على تحديد الأنماط والمشاعر في اللغة المكتوبة، مما يجعل من الممكن فهم احتياجات العملاء وآرائهم.
على سبيل المثال، يمكن لنظام NLU أن يفحص مئات من مراجعات العملاء ويحدد ما إذا كان معظم المستخدمين يشعرون بالإيجاب أو السلب تجاه ميزة معينة باستخدام تحليل المشاعر.
المكونات الرئيسية
الترميز
الترميز هو عملية تقسيم الجملة إلى وحدات أصغر، مثل الكلمات أو العبارات، لتسهيل معالجتها على الذكاء الاصطناعي.
مثال: "حدد موعدًا لاجتماع في الساعة 3 عصرًا غدًا" يتم ترميزها إلى ["جدولة"، "أ"، "اجتماع"، "من أجل"، "3 مساءً"، "غدًا"].
وضع علامات على جزء من الكلام (POS)
يحدد وضع علامات POS التركيب النحوي للجملة من خلال تصنيف كل كلمة كاسم أو فعل أو صفة أو ما إلى ذلك.
مثال: في "جدولة اجتماع"، يضع الذكاء الاصطناعي علامة "جدولة" كفعل و"اجتماع" كاسم.
التعرف على الكيانات المسماة (NER)
يقوم برنامج التعرّف على الكيانات المسماة (NER) باكتشاف وتصنيف الكيانات المهمة مثل الأسماء والمواقع والتواريخ داخل النص.
مثال: في "حجز رحلة إلى نيويورك يوم الجمعة المقبل"، يحدد الذكاء الاصطناعي "نيويورك" كموقع و"الجمعة المقبل" كتاريخ.
تصنيف النوايا
يحدد تصنيف النوايا الهدف أو الغرض الأساسي للمستخدم من وراء إدخاله.
مثال: تُصنف عبارة "حجز طاولة لشخصين" على أنها نية إجراء حجز.
تحليل التبعيات
يقوم تحليل التبعية بتحليل العلاقات بين الكلمات لفهم البنية النحوية للجملة.
مثال: في "إرسال التقرير إلى ماريا"، يحدد الذكاء الاصطناعي أن "ماريا" هي المستلم للتقرير.
التحليل السياقي
يستخدم التحليل السياقي المحادثات المحيطة أو التفاعلات السابقة لضمان أن تكون الردود ذات صلة ودقيقة.
مثال: إذا سأل المستخدم سابقًا عن مشروع معين، فقد يقوم الذكاء الاصطناعي بتخصيص الإجابات المستقبلية بناءً على هذا السياق.
إنشاء وكيل NLU مخصص
مع التقدم السريع لتكنولوجيا الذكاء الاصطناعي، يمكن لأي شخص بناء وكيل ذكاء اصطناعي بقدرات NLU.
Botpress هي منصة بناء روبوتات قابلة للتوسيع إلى ما لا نهاية مصممة للمؤسسات. يتيح موقعنا stack للمطورين إنشاء روبوتات الدردشة الآلية ووكلاء الذكاء الاصطناعي لأي حالة استخدام.
من السهل البدء مع مستوانا المجاني ودروسنا التعليمية الشاملة و Botpress Academy.
ابدأ البناء اليوم. إنه مجاني.
الأسئلة الأكثر تداولًا
1. كيف ترتبط NLU بالتعلم الآلي والتعلم العميق؟
تعتمد وحدة معالجة اللغات الطبيعية على تقنيات التعلّم الآلي والتعلّم العميق، والتي تساعد النظام على تعلّم أنماط اللغة من البيانات بدلاً من الاعتماد على قواعد جامدة. يعمل التعلّم العميق، على وجه الخصوص، على تعزيز الفهم الأكثر تقدماً للسياق والفروق الدقيقة.
2. ما الفرق بين وحدة معالجة اللغات الطبيعية وتوليد اللغات الطبيعية (NLG)؟
يساعد NLU الآلات على فهم ما تقوله، في حين أن NLG يتعلق بجعل الآلات تستجيب بلغة تشبه لغة البشر. فكر في NLU كقراءة الفهم و NLG ككتابة.
3. ما مدى دقة وحدة تحديد الموقع الجغرافي غير المستخدم اليوم، وما هي العوامل التي تؤثر على دقتها؟
تُعد وحدة معالجة اللغات الطبيعية جيدة جدًا، خاصةً مع النماذج الحديثة، ولكن الدقة لا تزال تعتمد على جودة وحجم بيانات التدريب، والمجال الذي تُستخدم فيه، ومدى تعاملها مع الغموض أو اللغة العامية.
4. ما هو مقدار البيانات المطلوبة عادةً لبناء نموذج موثوق لوحدة تخزين غير متناهية الصغر؟
الأمر يختلف، ولكن بشكل عام، تحتاج إلى آلاف الأمثلة المصنفة لكل هدف أو كيان للحصول على أداء قوي، على الرغم من أن التعلم التناقلي والنماذج المدربة مسبقًا يمكن أن تقلل من ذلك بشكل كبير.
5. كيف يمكنك دمج محرك NLU مع أدوات أخرى مثل CRM أو التقويمات أو قواعد البيانات؟
وعادةً ما تقوم بتوصيل محرك NLU بواجهات برمجة التطبيقات من أدواتك (مثل التقويم أو CRM) حتى يتمكن من تشغيل الإجراءات بناءً على مدخلات المستخدم، مثل جدولة الاجتماعات أو سحب بيانات العملاء، بمجرد فهمه للقصد.
.png)
